Context-Integrated Adversarial Learning for Predictive Modelling of Stock Price Dynamics

ملخص تقني: التعلم التنافسي المتكامل مع السياق للنمذجة التنبؤية لديناميكيات أسعار الأسهم

1. بيان المشكلة

يعد التنبؤ بأسعار الأسهم تحديًا جوهريًا في النمذجة المالية نظرًا للطبيعة غير الخطية، وغير المستقرة، والمليئة بالضجيج لديناميكيات السوق. حدد المؤلفون ثلاث فجوات رئيسية في المنهجيات الحالية:

• النماذج الإحصائية الكلاسيكية (مثل ARIMA): تعتمد هذه النماذج على فرضيات الخطية والاستقرار، مما يجعلها عاجزة عن التقاط الديناميكيات الزمنية المعقدة أو التحولات المفاجئة في التقلبات.
• التعلم العميق القياسي (مثل LSTM): رغم فعاليتها في تعلم التبعيات الزمنية طويلة المدى، إلا أن هذه النماذج هي نماذج تمييزية (تعتمد على تحسين التقدير النقطي). وغالبًا ما تواجه صعوبة في الحفاظ على الاستقرار أثناء التحولات التوزيعية الكبيرة أو تغيرات نظام السوق الجذرية.
• صوامع المعلومات: تتعامل معظم النماذج مع البيانات الرقمية للسوق والبيانات النصية النوعية (المشاعر) كتدفقات مستقلة أو تستخدم طرق دمج سطحية، مما يؤدي إلى الفشل في استغلال التفاعل العميق بين أرقام السوق وتصورات المستثمرين.

2. المنهجية

يقترح البحث إطار عمل تنبؤي تنافسي متكامل مع السياق يدمج بين النمذجة التوليدية ومعالجة اللغات الطبيعية (NLP).

• تكامل البيانات:
  • المدخلات الرقمية ($X_t$): نافذة متحركة متعددة المتغيرات لسمات الأسهم التاريخية، تشمل: سعر الافتتاح، الأعلى، الأدنى، الإغلاق، الإغلاق المعدل، وحجم التداول.
  • المدخلات السياقية ($S_t$): درجات المشاعر المستخرجة من وسائل التواصل الاجتماعي (تويتر/X) باستخدام معجم VADER (قاموس VADER لتقييم المشاعر)، والتي توفر "سياقًا معدلًا" بدلاً من كونها مجرد ميزة إضافية.
• بنية النموذج (هجين GAN-NLP):
  • الشبكة التنافسية التوليدية (GAN): على عكس النماذج التمييزية التي تقلل من الخطأ النقطي، يستخدم هذا الإطار شبكة GAN لتقريب التوزيع الشرطي لأسعار المستقبل.
  • المولد (Generator - $G$): يقوم برسم خرائط للبيانات الرقمية التاريخية ومتجهات المشاعر للوصول إلى حالة مستقبلية متوقعة: $G(X_t, S_t) \rightarrow \hat{x}_{t+1}$.
  • المميز (Discriminator - $D$): يقيم مدى معقولية الملاحظة المتوقعة من خلال التمييز بين تحركات السوق الحقيقية والمتحركات المولدة، بشرط الارتباط بالسياق.
• هدف التدريب: يهدف النموذج إلى تعلم التوزيع المشترك للسعر والمشاعر، مما يسمح للمولد بإنتاج تنبؤات "واعية بالسياق" ومتماسكة زمنيًا.

3. المساهمات الرئيسية

• الدمج متعدد الوسائط عبر التكييف: بدلاً من مجرد الدمج البسيط، يعامل الإطار المشاعر كإشارة تكييف مساعدة، مما يجعل النموذج مرنًا تجاه البيانات النصية الضوضائية أو الشحيحة.
• النهج التوليدي للتقلبات: من خلال التركيز على تعلم التوزيع بدلاً من التقدير النقطي، فإن النموذج أكثر قدرة على التعامل مع عدم اليقين وتغيرات الأنظمة المتأصلة في الأسواق المالية.
• الإطار الهجين: يجسّر هذا البحث الفجوة بين التعلم التوليدي التنافسي وأنظمة التنبؤ المعززة بمعالجة اللغات الطبيعية ضمن بنية موحدة.

4. النتائج وتحليل الأداء

تم تقييم النموذج مقابل نماذج ARIMA و LSTM المرجعية باستخدام سبعة أسهم أمريكية ذات قيمة سوقية عالية (AAPL, MSFT, AMZN, GOOGL, META, TSLA, NVDA).

• النتائج الكمية:
  • النجاح المرتبط بالأصول: تفوقت نموذج GAN على النماذج المرجعية في الأسهم التي تتميز بتقلبات عالية وديناميكيات قوية مدفوعة بالمشاعر (مثل Meta و Tesla).
  • الخطأ المقارن: في المجمل (باستثناء NVDA)، حقق نموذج LSTM أقل متوسط/وسيط لخطأ RMSE بسبب قوته في الأنماط الزمنية المستقرة. ومع ذلك، أظهر نموذج GAN أداءً فائقًا في حالات "الانتصار" في الأصول ذات التقلبات العالية.
  • فشل النموذج المرجعي: أظهر ARIMA باستمرار أعلى معدلات خطأ، لا سيما خلال فترات التباين العالي في السوق.
• النتائج النوعية:
  • ميتا (تقلب عالٍ): نجح نموذج GAN في تتبع التقلبات السعرية المفاجئة والتحولات الاتجاهية، مما قلل من "تأثير التأخير" الذي تظهره النماذج التسلسلية فقط.
  • جوجل (ديناميكيات مستقرة): أدى نموذج LSTM أداءً أفضل في الأصول ذات الاتجاهات التاريخية الأكثر سلاسة وقابلية للتنبؤ، حيث تؤدي الطبيعة التوليدية لـ GAN إلى إدخال تباين غير ضروري.

5. الأهمية

يُظهر هذا البحث أنه لا يوجد نموذج واحد "يناسب الجميع" للتنبؤ بالأسهم. تكمن الأهمية في اكتشاف الفعالية المرتبطة بالنظام (Regime-specific effectiveness):

1. النماذج المتكررة (LSTM): هي الأمثل للتحركات السوقية الداخلية (المدفوعة بأنماط الأسعار التاريخية).
2. نماذج GAN الواعية بالسياق: هي الأفضل للتحركات السوقية الخارجية (المدفوعة بالأخبار، ووسائل التواصل الاجتماعي، ومشاعر المستثمرين).

يوفر هذا العمل خارطة طريق لتطوير بنيات "واعية بالأنظمة" يمكنها التحول ديناميكيًا في اعتمادها بين المدخلات الرقمية والنصية، مما يوفر أداة أكثر قوة للتنبؤ المالي عالي المخاطر في البيئات غير المستقرة.